Comment une IA apprend à identifier des personnes, et comment protéger leur vie privée.

La reconnaissance faciale, c'est quoi ?

Déverrouiller son téléphone d’un regard, passer un contrôle automatique à l’aéroport, retrouver ses amis dans une galerie de photos : la reconnaissance faciale fait aujourd’hui partie du quotidien. Son principe est simple à énoncer : à partir d’une image de visage, dire de qui il s’agit, ou vérifier que c’est bien la personne attendue. Derrière, c’est de l’intelligence artificielle (IA).

Comment une IA apprend-elle à reconnaître une personne ?

Une IA ne « connaît » pas les visages. Elle apprend, comme on apprend à un enfant à faire la différence entre deux choses : en lui montrant beaucoup d’exemples.

Prenons une IA spécialisée dans la reconnaissance de visages. On lui présente d’abord deux photos d’une même personne, prises à des moments différents : pas le même éclairage, pas la même expression, peut-être pas le même angle. On lui dit : « Ces deux visages sont ceux de la même personne. » Elle apprend à les considérer comme identiques malgré ces différences.

On lui montre ensuite des visages de personnes différentes, en lui disant cette fois : « Ceux-là, ce ne sont pas les mêmes. » À force de voir des milliers de visages, l’IA apprend à mesurer à quel point deux visages se ressemblent, ou au contraire s’éloignent.

Concrètement, pour chaque visage, l’IA fabrique une sorte d’empreinte numérique : une série de nombres qui résume ce qui caractérise ce visage. Deux photos de la même personne donnent des empreintes très proches, deux personnes différentes donnent des empreintes éloignées. Reconnaître quelqu’un revient alors à comparer des empreintes.

Pour le voir, voici un petit exemple réalisé avec un programme Python. On part d’un visage de référence, puis on demande à l’IA de retrouver, dans une base de visages, ceux qui lui ressemblent le plus et ceux qui lui ressemblent le moins.

Où est le problème ? 

Pour apprendre, l’IA a besoin de beaucoup de visages. Et un visage n’est pas une donnée comme les autres : on ne peut pas en changer comme on change un mot de passe, et il permet d’identifier une personne.

Le plus souvent, on rassemble toutes les images dans un même endroit pour entraîner l’IA. C’est pratique, mais cela pose question : que se passe-t-il si cette base est mal protégée, détournée ou utilisée à d’autres fins que celles pour lesquelles les personnes ont donné leur accord ? Plus on centralise de visages, plus le risque est grand.

Une piste : l'apprentissage fédéré

L’apprentissage fédéré propose de renverser la logique. Au lieu d’envoyer toutes les images vers un serveur central, on envoie le modèle d’IA vers les données.

Chaque participant, par exemple chaque organisation qui possède ses propres photos, entraîne le modèle chez lui. Les images ne quittent jamais leur lieu d’origine. Seul ce que le modèle a appris est renvoyé, puis combiné avec ce qu’ont appris les autres. C’est un peu comme des élèves qui révisent chacun avec leurs cahiers, puis mettent leurs conclusions en commun sans jamais se prêter leurs notes.

Notre idée : des IA spécialistes de parties de visage

Nous avons voulu aller plus loin. Et si aucun modèle ne voyait jamais un visage en entier ?

Nous découpons le visage en parties : l’œil droit, le nez, la bouche, etc. Chaque IA devient spécialiste d’une seule de ces parties : elle n’a vu que celle-là pendant son entraînement

Devinez-vous qui est cette personne ? 

Imaginez un puzzle dont chaque pièce est confiée à une personne différente : aucune ne connaît l’image finale. De la même façon, aucun modèle ne détient de quoi reconstituer le visage complet des personnes qui ont servi à l’entraînement.

Pour identifier quelqu’un, chaque spécialiste donne son avis sur sa partie et produit son empreinte. On rassemble ensuite ces empreintes pour décider si la personne correspond à quelqu’un d’enregistré. C’est un peu comme plusieurs témoins qui ont chacun remarqué un détail différent : ensemble, ils peuvent reconnaître la personne, mais aucun n’a besoin de la voir en entier.

Après enquête, la personne était Tenzin Gyatso, le 14ème Dalaï-Lama ! 

Et après ?

Ces travaux sont menés dans le cadre du projet européen CarMen, qui s’intéresse à la reconnaissance de personnes en situation de mobilité (par exemple lors de contrôles aux frontières), dans le respect de la vie privée. Il reste à tester l’approche dans des conditions variées et à mesurer l’équilibre entre qualité de reconnaissance et protection des données.

Ces travaux ont été réalisés lors d'un post-doctorat au sein du projet CarMen (Horizon Europe), avec le soutien de la Région des Pays de la Loire (Trajectoire Europe). Ils ont été menés par Cyril Barrelet, avec la collaboration de Khadidja Ould Amer et Ehsan Sedgh Gooya. ISEN Yncréa Ouest, Nantes